Come convertire un PDF in Word

Un PDF non contiene paragrafi. Contiene glifi: singoli caratteri, ciascuno con un riferimento a un font e una posizione sulla pagina. Non esistono frasi, titoli o elenchi; quelli li ricompone il vostro occhio a partire dagli spazi. Per questo tutti i convertitori da PDF a Word esistenti, il nostro compreso, fanno ricostruzione e non traduzione: leggono migliaia di glifi collocati in coordinate e indovinano quali appartengono alla stessa riga, quali righe formano un paragrafo e quale paragrafo era pensato come titolo. Capire questo singolo fatto spiega quasi tutto quello che vedrete nei risultati: perché una relazione pulita si converte benissimo, perché un articolo accademico su due colonne esce intrecciato e perché un contratto scansionato produce un documento vuoto qualunque strumento usiate.

Cosa legge davvero il convertitore

Il livello di testo di un PDF è un elenco di operazioni di disegno. Ognuna dice, in sostanza: colloca questa sequenza di glifi di questo font a queste coordinate x e y, a questa dimensione. Il convertitore percorre l'elenco e comincia a raggruppare. I glifi che condividono una linea di base entro una piccola tolleranza formano una riga. Le righe il cui spazio verticale corrisponde all'interlinea circostante formano un paragrafo; uno stacco nettamente maggiore lo chiude. Dimensione e peso del carattere, confrontati con il corpo di testo più frequente della pagina, decidono cosa diventa titolo: una riga più grande del quaranta per cento seguita da un paragrafo normale è quasi certamente un titolo e viene scritta nel .docx come tale, non come grassetto. Punti elenco o numeri a inizio riga, con un rientro costante nelle righe sotto, diventano voci di elenco. Nulla di tutto questo è memorizzato nel file; tutto è inferenza, e quell'inferenza è ciò che separa un risultato utilizzabile da un muro di righe slegate.

Dove la ricostruzione fallisce

Tre impaginazioni rompono queste ipotesi. Le pagine a più colonne sono il caso classico: due colonne affiancate condividono le linee di base, così un lettore ingenuo cuce la riga della colonna sinistra con quella della destra e produce nonsenso. Bisogna individuare il corridoio bianco e leggere ogni colonna fino in fondo prima di passare all'altra. Le tabelle sono il secondo caso: una tabella è testo in coordinate più, a volte, filetti — spesso senza alcun filetto, quindi per l'analizzatore una tabella e un elenco di cifre ben allineato sono identici. Il terzo caso sono i titoli numerati. Una riga che comincia con «1. Oggetto del contratto» somiglia esattamente alla prima voce di un elenco numerato, e l'ordine dei due controlli dentro il convertitore decide cosa ottenete. Ci siamo caduti anche noi e abbiamo dovuto mettere il test del titolo prima di quello dell'elenco, perché nei documenti che le persone convertono davvero un titolo numerato è molto più comune di un elenco con una sola voce.

I PDF scansionati non danno nulla, ed è onesto

Se la pagina viene da uno scanner o dalla fotocamera di un telefono, contiene una grande immagine e nessun livello di testo. Non ci sono glifi da raggruppare, quindi non c'è nulla da ricostruire. Lo strumento ha due possibilità: restituire un documento vuoto oppure eseguire il riconoscimento ottico dei caratteri per inventare testo dai pixel. Noi non facciamo OCR, quindi rifiutiamo il file e spieghiamo perché, invece di consegnarvi un .docx con tre pagine bianche. Conta più di quanto sembri: in un piccolo campione di documenti reali che abbiamo testato, tre PDF leggibili su cinque erano scansioni. Se il vostro rientra in quel gruppo, il passo onesto è uno strumento di OCR, e conviene trattarne l'output come una bozza da rileggere e non come testo recuperato: l'OCR indovina i caratteri dalle forme, e sbagliare con sicurezza è la sua normale modalità di errore.

Font, codifica e il problema dei caratteri corrotti

C'è un secondo difetto, più silenzioso: la mappatura dei caratteri. Un PDF può incorporare un sottoinsieme di font con una numerazione interna propria e fornire una tabella che riporta quei numeri a caratteri reali. Quando quella tabella manca o è errata — frequente nei file prodotti da vecchi software di impaginazione e nei documenti in cui gli accenti sono stati sostituiti in stampa — il testo estratto esce come spazzatura verosimile: forme di parola corrette, lettere sbagliate. Il convertitore non può ripararlo dal file, perché l'informazione semplicemente non c'è. Il segnale è che lo stesso documento non è nemmeno ricercabile in un lettore PDF: cercate con Ctrl+F una parola che vedete chiaramente a schermo e, se nemmeno il lettore la trova, la mappatura è rotta e ogni strumento produrrà lo stesso pasticcio. In quel caso quello che vi serve è il documento originale, non il PDF.

Come controllare il risultato prima di fidarsi

Aprite il .docx e verificate quattro cose nell'ordine. Prima: il testo scorre nell'ordine giusto? Leggete l'intera prima pagina, perché gli errori di colonna lì saltano all'occhio e sfuggono a un'occhiata rapida. Seconda: i titoli sono titoli veri? Cliccate su uno e guardate la casella degli stili; se dice Titolo 1 potete ricostruire un sommario, se dice Normale avete solo grassetto. Terza: guardate le tabelle e verificate che nessun valore sia scivolato di colonna. Quarta: cercate un numero che sapete essere a metà documento — un totale, una data, una riga di fattura — e verificate che sia sopravvissuto, perché il contenuto perso è il difetto che costa di più e si nota di meno. La nostra suite di verifica esegue esattamente quest'ultimo controllo a ogni build, proprio perché è quello che un revisore umano salta.

Quali documenti si convertono bene

Una regola pratica: se il documento è nato digitale in un elaboratore di testi o in un sistema ufficiale ed è a colonna singola, il risultato è di solito direttamente modificabile. Contratti, lettere ufficiali, certificati, contabili bancarie e relazioni rientrano in questo gruppo. Depliant molto grafici, pagine di rivista, articoli su due colonne e file di impaginazione si recuperano solo come testo, non come formattazione: rifare il layout tocca a voi. Il modo più rapido per capire in quale gruppo si trova un documento è provare a selezionare una frase con il cursore nel lettore PDF: se la frase si seleziona, c'è un livello di testo e la conversione è possibile; se si seleziona l'intera pagina come un blocco, quello che avete è un'immagine.